一种基于阵列镜头的图像重对焦新算法

本文研究阵列镜头的重对焦算法.该算法首先对阵列镜头获取的图像进行标定,并根据图像灰度一致性约束和相邻像素深度光滑性约束条件,建立能量函数.采用图割(Graph Cuts)算法求解,确定像素的深度,实现场景的深度划分.然后以中心图像为参考图像,计算图像中每个像素的深度,实现阵列图像的重对焦.本文算法在3*3阵列镜头得到有效验证,可望在手持平板摄像设备中得到实际应用.     

基于高斯-马尔可夫随机场模型的图像修补方法研究

实现基于高斯马尔可夫随机场(GMRF)模型的图像修补算法,详细讨论像素扫描顺序以及邻域大小对图像修补效果的影响.实验表明,基于GMRF的图像修补算法的性能依赖于像素扫描顺序和邻域大小的选取.     

颜色指导的深度图像升采样算法的对比性研究

目前深度图像升采样主要通过双边滤波、马尔科夫随机场等算法实现,这些算法针对不同特征的图像有不同的重建效果。该文对比性研究了这些算法在用于将高分辨率的深度图像与可能带噪的稀疏深度图像结合恢复高分辨率的深度图像,即利用颜色信息指导未知深度的象素点的深度重建工作上的效果。同时,该文引入了高阶马尔科夫随机场,即利用二阶平滑项来获取更准确的深度信息,建立和求解了相应的能量方程。实验表明,双边滤波普遍能获得均方值误差比较小的效果,但其细节处理上不够到位;高阶马尔科夫随机场对未知区域的深度信息的预测比马尔科夫原型及双边滤波更为准确,特别是在已知深度点比较稀疏的情况下效果更加明显。     

基于概率图模型优化的图像融合

针对图像融合问题的马尔可夫随机场模型,应用图割算法优化求解其等价的能量函数,不仅可以获得融合问题的全局最优解,而且计算速度相对于模拟退火算法求解图像融合问题的能量函数有显著的提高,仿真结果表明该算法是可行和高效的.     

基于边缘信息和时空马尔可夫模型的运动目标检测方法

针对传统方法易受阴影和噪声的影响,不能精确分割出运动目标的情况,提出了一种基于边缘信息和时空马尔可夫模型的运动目标检测方法。首先对3帧连续的图像进行边缘提取,然后通过差分法运算获得两帧初始标记场,随后对两帧初始标记场进行＂与＂操作获得共同标记场,利用迭代条件模型求解共同标记场的全局最小值,进而实现近似求解最大后验概率的估算,获得优化的标记场,最后通过阈值分割和形态学处理完成对目标的检测。与多种方法进行比较表明,该方法能对运动目标进行准确检测,且具有很好的鲁棒性。     

基于360度激光扫描仪的深度图像构建

随着计算机视觉应用的日益广泛和自动化程度的日益提高,人们对于计算机视觉系统的要求也越来越高,在诸如机器人导航、飞行器导航、工业零件检测和抓取以及流水线组装等需要三维场景分析的计算机视觉应用领域中,场景深度信息对于系统的任务完成和性能的实现至关重要。提出并实现了一种结构简单可行的深度图像构建系统,系统搭载了轻小型360度激光扫描仪与USB摄像机。首先对360度激光扫描仪和USB摄像机分别进行标定,之后进行整体系统的标定,最后将系统采集的数据融合构建深度图像。通过实验证明,在激光扫描仪的扫描高度范围内本系统能精确构建深度图像,该系统适用于室内小型移动机器人的视觉导航。     

基于SURF算法的双目视觉立体匹配研究

针对双目视觉立体匹配效率低的问题,从SURF匹配算法和摄像机标定、校准方面进行了改进。与传统视觉匹配算法相比,SURF匹配算法具有效率高、抗干扰能力强等优点。对摄像机进行标定与校准,校准后的特征点更精确,为准确匹配奠定了基础。利用极线约束条件改进SURF算法匹配速率,并进行了相关实验。实验结果表明,算法不仅降低了匹配时间,而且还提高了匹配准确率。     

基于结构光深度图像获取装置的研究

为了获得深度图像,采用激光时序空间编码技术,研制了深度图像获取装置,给出了深度图像获取装置的硬件和工作原理,提出了一种深度测量算法．实验结果表明,该装置能较好地获取深度图像;有效地减少图像的采集、处理量．通过处理8幅图像就能得到空间分辨率为1／256的景物深度数据和深度图像,具有简单、快速的优点,为基于深度图像的目标边缘检测和识别提供了有效的方法．     

基于多尺度局部区域置信度传播算法的图像分割

针对基于多尺度马尔可夫随机场 (Markov random fields, MRF) 的图像分割中常产生块效应的问题, 提出了一种多尺度置信度传播 (belief propagation) 算法, 通过建立不同尺度的局部区域, 在MRF分割模型上进行区域消息的传播, 最终基于局部区域概率的最大后验准则 (maximum a posterior) 得到图像的分割结果.提出的算法把图像的局部区域特征和全局特征结合起来, 在图像的精细层进行多尺度消息的传递, 避免了常规多尺度MRF模型层间误分类的传递.提出的算法不仅得到了更准确的图像分割结果, 而且具有较快的分割速度.实验结果表明了提出算法的有效性.     

基于深度信息的车辆识别和跟踪方法

根据激光雷达检测车辆目标的特点, 提出了一种基于距离的自适应聚类方法, 距离阈值可根据目标与本车的相对距离与方位自动调整, 提高了聚类的准确性.采用一种基于多特征融合的确定性多目标关联方法, 以目标的运动特征为代价方程的主要约束条件, 同时考虑了目标的外形特征, 可提高关联的准确性.针对现有的确定性目标关联方法只能对给定数目的目标进行跟踪的缺陷, 应用一种改进的目标关联方法和跟踪器管理策略, 根据实际道路情况动态地增加和删除跟踪器, 实现了对暂时遮挡或者漏检的目标保持跟踪的连贯性.通过实验验证了本文识别和跟踪方法的有效性.     

基于多尺度注意力网络的立体匹配方法

为解决网络深度与训练图像块大小耦合问题及进一步提高弱纹理区域及边缘处的匹配精度,提出了一种基于多尺度注意力网络的立体匹配方法.该方法将立体匹配过程分为2个阶段：第1阶段提出了一种成本网络用于计算匹配成本,该网络由基础网络层和缩放层组成.第2阶段提出了一种基于多尺度注意力的视差求精网络,该视差求精网络综合了多种视差线索,并加入多尺度注意力机制进一步提高立体匹配精度.该方法在KITTI 2012、KITTI 2015和SceneFlow数据集上的3像素坏点百分比分别为1.13%,1.87%和2.29%.实验结果表明,与国内外同类方法相比,采用多尺度注意力网络的立体匹配方法在匹配精度上获得了较大的提升,尤其是在弱纹理区域及物体边缘处表现较好.     

基于角点特征的立体图像匹配方法

对积木类物体或近似为积木的物体,提出一种立体图像匹配方法。利用 Ｆｒｅｅｍａｎ码进行轮廓跟踪、多边形逼近、通过简单地查表检测图像角点。用构造相似度函数的办法进行立体图像的匹配。     

基于反馈的立体匹配算法

针对因传统的置信度传播（BP：Belief Propagation）算法生成的深度图并非十分精确而导致深度图的绘制及立体重现存在的失真问题,提出一种基于反馈的立体匹配算法,使生成的深度图进一步优化。该算法首先通过BP算法生成深度图,然后由左视点图像与深度数据绘制右视点图像,将绘制出的右视点图像与真实右视点图像进行比较,再将比较结果反馈给BP算法的匹配代价,最后由新的匹配代价重新生成深度图。实验结果表明,该算法与无反馈的算法比较,绘制右视图的PSNR（Peak Signal to Noise Ration）值平均增高0.2 dB。     

基于特征的零件间几何匹配关系的确定

为了提高装配分析的自动化水平，在对零件特征组成面，约束面描述的基础上，通过对零件配合约束面元素的几何关系分析，建立了几何匹配关系推理规则，研究了基于结构相似性关系的推理系统，为并行环境下产品装配信息分析提供了一种新方法。     

区域的实时立体匹配的改进算法

针对在立体匹配研究领域中弱纹理区域的匹配问题,文中提出了一种基于区域的实时立体匹配改进算法.采用匹配测度函数像素灰度差的绝对值和（Sum of Absolute Differ-ence,SAD）,通过平均误差阈值算法检测出高误差能量;针对遮挡区域造成的不可信视差预测点,进行误差能量计算;利用滤波加速算法减少计算匹配窗口相似性复杂度,既降低了误匹配率,又提高了算法的运行速度.实验结果表明,改进算法的误匹配像素百分比明显减小,且能满足系统对实时性的要求.     

一种基于深度信息的人头检测方法

针对目前人头检测方法对光线变化敏感和易受阴影干扰的问题,提出了一种基于深度图像的人头检测方法.首先通过运动目标检测,得到运动人员所在区域;然后对该区域使用改进的立体匹配算法,该匹配算法对传统的WTA匹配算法进行改进,只对强纹理点进行匹配,对弱纹理点只进行视差验证,并根据三角投影原理计算出深度图.由于深度图中人员与周围场景的深度分布不同,根据深度分布将人头区域提取出来,得到候选区域,最后将候选区域经过形态学运算并根据区域轮廓的特征来判断是否为人头.实验结果表明:该方法在不同光线环境条件下的检测正确率为94%以上,误检测率仅为5.77%,检测精度高,对光线和阴影的抗干扰性良好,能够很好地适应复杂环境.     

基于双目视觉的焊缝图像立体匹配

针对焊接图像缺乏纹理的问题,研究了一种弱纹理检测跨尺度聚合的立体匹配算法。根据张氏标定法,对双目视觉传感器进行标定,得到了双目视觉传感器的外部和内部参数。然后,对双目视觉传感器获取的焊缝图片进行中值滤波、二值化等一系列图片预处理。利用弱纹理检测跨尺度聚合算法对焊缝图像进行立体匹配,得出焊缝图像视差图,再从视差中恢复距离,得到了焊枪的高度信息。对双目视觉传感器采集的焊缝图像进行实验,实验结果验证了弱纹理检测跨尺度聚合的立体匹配算法的可靠性。     

一种基于遗传算法的立体匹配方法

立体匹配问题是被动视觉研究中最关键的问题之一。本文定义了描述立体匹配问题的染色体表示,设计了相应的适应度函数,并按照立体匹配中相应的约束条件,将遗传算法应用于该问题中。实验证明该算法具有较强的适应性和稳定性。     

基于RANSAC算法的立体视觉图像匹配方法

针对大尺寸立体视觉测量中存在较大视差和透镜畸变等因素导致极线约束匹配率低的问题,提出了将图像校正与随机采样算法相结合的立体视觉图像匹配方法.对立体图像对进行线性校正,建立初始匹配点集;采用随机采样算法估计图像对之间的基本矩阵,恢复原始图像对之间的对极几何约束关系,剔除初始匹配点集中未匹配和误匹配的特征点,从而获得精确的匹配点集.该方法已应用于合成孔径雷达(SAR)大型可展开微波天线网面的实际测量,匹配率高于96%.